OpenCV之特征点模板匹配
OpenCV之特征点模板匹配
版权声明:博文为博主原创文章,转载请注明出处 :https://blog.csdn.net/ganbelieve/article/details/89959505
介绍一下OpenCV中对于模板匹配特征点的一些应用实例
一、使用xfeatures2d模块进行特征点的匹配
OpenCv提供有几个特征点算子匹配,其中最初了解到SIFT和SUFT算子的特征匹配
而SIFT算子匹配的性能没有SURF性能好,故下面介绍的程序使用SURF进行实现,其他的具体关于特征点匹配的问题可以自行网上google
输入的图像源
需要通过特征点进行搜索匹配图像源的图片
然后进行代码的demo测试
//特征点匹配以及图片匹配的查找#include<opencv2/opencv.hpp>
#include<opencv2/xfeatures2d.hpp>
#include<opencv2/features2d.hpp>
#include<iostream>
using namespace std;
using namespace cv;
using namespace cv::xfeatures2d;Mat Flannfeaturecompare(Mat srcImage1, Mat srcImage2)
{int hessPara = 400;Ptr<SURF> detector = SURF::create(hessPara);vector<KeyPoint> keypoints1,keypoints2;Mat descriptors1,descriptors2;detector->detectAndCompute(srcImage1, Mat(), keypoints1, descriptors1);detector->detectAndCompute(srcImage2, Mat(), keypoints2, descriptors2);FlannBasedMatcher matcher;//FlannBasedMatcher matcher(new flann::LshIndexParams(20, 10, 2));vector<DMatch> matches;//BFMatcher matcher;matcher.match(descriptors1, descriptors2, matches);double max_dist = 0;double min_dist = 1000;//距离判断--最优匹配点for (int i = 0; i < descriptors1.rows; i++){double dist = matches[i].distance;if (dist < min_dist)min_dist = dist;if (dist > max_dist)max_dist = dist;}cout << "max_dist=" << max_dist << endl << "min_dist=" << min_dist <<endl;//最佳匹配点vector<DMatch> matchVec;for (int i = 0; i < descriptors1.rows; i++){if (matches[i].distance < 5*min_dist){matchVec.push_back(matches[i]); //push_back 将满足条件的值赋值给matchVec数组}}Mat matchMat, matchMat2;drawMatches(srcImage1, keypoints1, srcImage2, keypoints2, matchVec, matchMat, Scalar::all(-1), Scalar::all(-1), vector<char>(), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS);//imshow("matchMat", matchMat);//特征点一致性检测vector<Point2f> obj, scene;for (int i = 0; i < matchVec.size(); i++){obj.push_back(keypoints1[matchVec[i].queryIdx].pt); //为前图进行特征点索引 pt代表point(pt.x,pt.y);scene.push_back(keypoints2[matchVec[i].trainIdx].pt); //为模板进行特征点索引}Mat H = findHomography(obj, scene, CV_RANSAC); //随机点匹配vector<Point2f> objCorner(4),sceneCors(4);objCorner[0] = Point(0, 0);objCorner[1] = Point(srcImage1.cols, 0);objCorner[2] = Point(srcImage1.cols, srcImage1.rows);objCorner[3] = Point(0, srcImage1.rows);perspectiveTransform(objCorner, sceneCors, H); //映射矩阵Point2f offset((float)srcImage1.cols, 0); //偏移量的增加//line(matchMat, sceneCors[0] + offset, sceneCors[1] + offset, Scalar(0, 255, 0), 2);//line(matchMat, sceneCors[1] + offset, sceneCors[2] + offset, Scalar(0, 255, 0), 2);//line(matchMat, sceneCors[2] + offset, sceneCors[3] + offset, Scalar(0, 255, 0), 2);//line(matchMat, sceneCors[3] + offset, sceneCors[0] + offset, Scalar(0, 255, 0), 2);float min_x = 1000, min_y = 1000;float max_x = 0, max_y = 0;for (int i = 0; i < 4; i++){if (sceneCors[i].x < min_x)min_x = sceneCors[i].x;if (sceneCors[i].y < min_y)min_y = sceneCors[i].y;for(int j=i;j<3;j++){ float max_dis_x=abs(sceneCors[i].x - sceneCors[j + 1].x);if (max_dis_x > max_x)max_x = max_dis_x;float max_dis_y = abs(sceneCors[i].y - sceneCors[j + 1].y);if (max_dis_y > max_y)max_y = max_dis_y;} }//通过两张图片进行对比特征点匹配//添加偏移量区域图的横向坐标偏移rectangle(matchMat, Rect(min_x+srcImage1.cols, min_y, max_x, max_y), Scalar(0, 0, 255), 2, 8, 0);Mat dst = srcImage2.clone();rectangle(dst,Rect(sceneCors[0].x, sceneCors[0].y, sceneCors[1].x - sceneCors[0].x, sceneCors[3].y - sceneCors[0].y),Scalar(0, 0, 255), 2, 8, 0);imshow("ObjectMat", matchMat);imshow("dst", dst);return matchMat;
}
int main()
{Mat Image1 = imread("E:/Images/feature1.jpg");Mat Image2 = imread("E:/Images/feature.jpg");//Mat Image1 = imread("E:/Images/cap.jpg"); //两张图片进行对比 不怎么精确//Mat Image1 = imread("E:/Images/module1.jpg"); //截图后进行对比查找//Mat Image2 = imread("E:/Images/module.jpg");//resize(Image1, Image1, Size(), 0.05, 0.05);//resize(Image2, Image2, Size(), 0.25, 0.25);Mat feature = Flannfeaturecompare(Image1, Image2);//imshow("feature", feature);waitKey(0);return 0;
}
最后实现的结果为
表示通过特征点进行匹配到了,最后可以通过这些特征点实现原图的框选
好了,程序已经测试成功了!!!
二、使用OpenCV提供的matchTemplate()API进行模板匹配
原始图为
模板图为
代码实现如下
//模板匹配进行图像查找 使用灰度图进行操作时间更短
#include<iostream>
#include<opencv2/opencv.hpp>using namespace std;
using namespace cv;void match(Mat &Image, Mat &templateImage, int method)
{int result_cols = Image.cols - templateImage.cols + 1;int result_rows = Image.rows - templateImage.rows + 1;Mat result = Mat(result_cols, result_rows, CV_32FC1);matchTemplate(Image, templateImage, result, method);normalize(result, result, 0, 1, NORM_MINMAX);double minVal, maxVal;Point minLoc, maxLoc, matchLoc;minMaxLoc(result, &minVal, &maxVal, &minLoc, &maxLoc, Mat());switch (method){case CV_TM_SQDIFF:case CV_TM_SQDIFF_NORMED:matchLoc = minLoc;break;default:matchLoc = maxLoc;break;}rectangle(Image, Rect(matchLoc, Size(templateImage.cols, templateImage.rows)), Scalar(0, 0, 255), 2, 8, 0);imshow("Image", Image);}int main()
{clock_t cstart, cend;Mat Image = imread("E:/Images/feature.jpg"); //灰度图需要的识别时间更短Mat templateImage = imread("E:/Images/feature1.jpg");imshow("Image", Image);imshow("temp", templateImage);cstart = clock();match(Image, templateImage, CV_TM_SQDIFF);cend = clock();cout << "CV_TM_SQDIFF=" << cend - cstart << "ms" << endl;//cstart = clock();//match(Image, templateImage, CV_TM_SQDIFF_NORMED);//cend = clock();//cout << "CV_TM_SQDIFF_NORMED=" << cend - cstart << "ms" << endl;//cstart = clock();//match(Image, templateImage, CV_TM_CCOEFF);//cend = clock();//cout << "CV_TM_CCOEFF=" << cend - cstart << "ms" << endl;//cstart = clock();//match(Image, templateImage, CV_TM_CCOEFF_NORMED);//cend = clock();//cout << "CV_TM_CCOEFF_NORMED=" << cend - cstart << "ms" << endl;//cstart = clock();//match(Image, templateImage, CV_TM_CCORR);//cend = clock();//cout << "CV_TM_CCORR=" << cend - cstart << "ms" << endl;//cstart = clock();//match(Image, templateImage, CV_TM_CCORR_NORMED);//cend = clock();//cout << "CV_TM_CCORR_NORMED=" << cend - cstart << "ms" << endl;waitKey(0);return 0;
}
最后运行结果得到的图像为
结果如己所料!!!
注:模板匹配的代码有部分没用上的,主要是用于测试模板匹配的函数中的参数实现时间上的长短与精确度的问题
两种方法优缺点:
这两种方法各有所长,简单来说SURF稍微复杂一点,而模板匹配通常简单点,但处理复杂的图像集一般会考虑特征点匹配,因为模板匹配在复杂度高的图片集上运行时间会更长一点,它是通过逐点扫描的,而特征点是通过收集图像集中的各个能代表图像的所有特征点集
欢迎指正批评!!!
欢迎关注微信公众号–木木夕算法笔记,与博主交流!
公众号会时不时更新有趣的图像算法哦!!!
OpenCV之特征点模板匹配相关推荐
- OpenCV基于形状的模板匹配
OpenCV基于形状的模板匹配 引言 基于形状的匹配算法 具体代码 KcgMatch.h KcgMatch.cpp main.cpp 匹配的结果 引言 在OpenCV中有个用于模板匹配的基本函数mat ...
- python opencv模板匹配多目标_基于opencv的多目标模板匹配
利用opencv进行多目标模板匹配,只要是利用其matchTemplate函数,但在多目标(这里是讨论目标图片中不同大小模板的匹配),以下贴出代码和图片,供大家参考: #include #includ ...
- OpenCV 学习笔记(模板匹配)
OpenCV 学习笔记(模板匹配) 模板匹配是在一幅图像中寻找一个特定目标的方法之一.这种方法的原理非常简单,遍历图像中的每一个可能的位置,比较各处与模板是否"相似",当相似度足够 ...
- 基于几何特征的模板匹配原理
基于几何特征的模板匹配通过计算模板图像与目标图像特征信息,来判断目标图像中是否有与模板图像相近或相同的图像. 模板匹配的大致流程: 首先,需要制作一个模板,并以模板图像以一定角度旋转,制作0°–360 ...
- OpenCV实现NCC多角度模板匹配(附源码)
效果预览 OpenCV实现NCC多角度模板匹配 源码下载与参考链
- OpenCV 第七章 模板匹配和图像分割
一.模板匹配 定义:让模板图像在输入图像中滑动逐像素遍历整个图像进行比较,查找出与模板图像最匹配的部分. 单目标匹配 定义:输入图像中只存在一个可能匹配结果 基本格式如下: result = cv2. ...
- 【opencv学习】【模板匹配】
今天学习模板匹配 模板图片 目标图像 import cv2 import matplotlib.pyplot as plt# 模板匹配的原理: # 一个模板图像在目标图像上机芯从左到右从上到下进行滑动 ...
- OpenCV笔记整理【模板匹配】
1. 模板匹配 模板匹配就是在图像A中寻找与图像B最相似的部分,一般将图像A称为输入图像,图像B称为模板图像.操作方式是B在A图像上从左到右自上而下滑动,遍历所有的像素. 模板匹配函数: result ...
- 毛星云Opencv之9.5模板匹配及其实现代码
#include "opencv2/highgui/highgui.hpp" #include "opencv2/imgproc/imgproc.hpp" us ...
最新文章
- Blender3.0动画制作入门学习教程 Learn Animation with Blender (2021)
- C++ 单例模式析构函数的运用,析构函数的线程安全
- 棋盘游戏的人工智能(二)------剪支
- 还在用Synchronized?Atomic你了解不?
- C++五子棋(三)——判断鼠标有效点击
- linux精华文章汇总
- 分布式离线计算—HiveSQL
- SqlServer转换为Mysql的一款工具推荐(mss2sql)
- python云计算开发技术_云计算开发学习笔记:Python3 面向对象技术简介
- DVWA文件上传high级文件上传漏洞
- 【英语学习】【English L06】U08 News L5 They are expecting a baby!
- ucenter词语过滤原理
- 解决方案-CMake error: error in configuration process, project files may be invalid(WindowsVS可参考)
- VS2003远程调试
- 7.1 布朗运动定义及构造
- Go操作MySQL数据库库
- O3 Interchange全面讲解
- 使用MapWinGis ActiveX控件在图层上画点
- python立方根求解_python – 如何获得立方根的整数?
- 微信公众号获取的实时坐标和高德地图坐标系的转换